不均衡データクラスタリングのためのGMMとLLMを用いたターゲットデータ拡張

自然言語処理（NLP）分野では、アンダーリプレゼンテッドなトピック、すなわち少数派クラスのデータが、教師なし学習タスク、特にクラスタリングにおいて課題となります。このようなデータセットでは、既存のクラスタリング手法が少数派トピックを適切に捉えきれず、分析結果の偏りや解釈性の低下を招くことが少なくありませんでした。本論文は、この不均衡データクラスタリングの課題に対処するため、ガウス混合モデル（GMM）と大規模言語モデル（LLM）を統合した斬新な教師なしデータ拡張手法を提案しています。GMMはその柔軟性と堅牢性から、データ内のアンダーリプレゼンテッドな領域に対応するクラスターを効果的に検出できます。検出後、LLMがこれらの少数派クラスターを豊かにするための合成ドキュメントを生成し、その表現力を向上させます。様々な不均衡テキストデータセットを用いた実験では、このアプローチがあらゆるケースでクラスタリング性能を維持し、しばしばクラスターの解釈性を向上させることが示されています。技術的意義として、この手法は、データ拡張のプロセスを自動化し、特にラベル付けされていないテキストデータにおいて、少数派クラスの存在感を高めることを可能にします。開発者は、不均衡なデータセットに対するクラスタリングモデルの堅牢性を向上させることができ、企業は、顧客のフィードバック分析、市場調査、コンテンツ分類などにおいて、これまで見過ごされがちだった少数派の意見やトレンドをより正確に把握できるようになります。将来的には、このGMMとLLMを組み合わせたデータ拡張技術が、多様な教師なしNLPタスクにおけるデータ不均衡問題の標準的な解決策となる可能性があります。